Python：正则表达式

• Z时代
• 2024-01-10
• 分类：综合

正则表达式：正则表达式的模块是re，它的基本语法规则就是指定一个字符序列。

导入正则表达式：

import re

正则表达式常用字符集：

  .：

#表示任意匹配

import re
s = 'pyc py pyo'
res = r'py.'
print(re.findall(res,s))
输出结果：
['pyc', 'py ', 'pyo']

 []：

（1）指定一个字符集：[abc];[a-z]

>>> s = 'tip top tap tep'
>>> res = r't[io]p'
>>> re.findall(res,s)
['tip', 'top']

（2）元字符在[]中不起作用：[akm$] 

（3）补齐匹配不在区间范围的字符：[^5] #取反，即：取出不是数字5的字符

^：

#它出现在非[]中含义是匹配行首；若^出现中[]中，则表示取反

>>> r = r'^abc'   #以abc开头字符串
>>> re.findall(r,'aaabc')
[]
>>> re.findall(r,'abc3')
['abc']
>>> re.findall(r,'^abc3')
[]

$：

#它出现在非[]中含义是匹配行尾

>>> s = '123abc456eabc789'
>>> re.findall(r'789$',s)
['789']

\：

#转义符

>>> r = r'\^abc'    #转义后面的^为一个普通字符，并非匹配行首的意思
>>> re.findall(r,'^abc3')
['^abc']
>>> re.findall(r,'abc3')
[]

\d  #匹配数字[0-9]
\D  #匹配非数字[^0-9]
\s  #匹配空白字符，如回车，空格等[\t\n\f\v]
\S  #匹配非空字符 [^\t\n\f\v]
\w  #匹配数字和字母 [0-9a-zA-Z]
\W  #匹配非数字和字母 [^0-9a-zA-Z]

例：

>>> r = r'010-\d{8}'   #\d{8}表示数字重复8次
>>> re.findall(r,'010-123456789')
['010-12345678']
>>> re.findall(r,'010-1234567')
[]

|：

#任意匹配一个，它总是尝试匹配左边的表达式，一旦匹配成功则跳过匹配右边的表达式，如果|没有在括号()中，则它的范围是整个表达式。

abc|def 匹配的字符串为：abc 或者 def

*：

#将*前面的字符重复0次或多次

>>> r = r'ab*'
>>> re.findall(r,'a')  #重复b零次
['a']
>>> re.findall(r,'ab')  #重复b一次
['ab']
>>> re.findall(r,'abb')   #重复b两次
['abb']
>>> re.findall(r,'abbbbbb')   #重复多次b
['abbbbbb']

+：

#将+前面的字符重复1次或多次（即：至少重复一次）

>>> r = r'ab+'
>>> re.findall(r,'a')
[]
>>> re.findall(r,'ab')
['ab']
>>> re.findall(r,'abbb')
['abbb']

?：

#将?前面的字符重复0次或1次，用于表示可选项，即可有可无的字符

>>> r = r'010-?\d{8}$'
>>> re.findall(r,'010-12345678')
['010-12345678']
>>> re.findall(r,'01012345678')
['01012345678']

(.+?)：

#提取单个位置的字符串

例1：提取字符串'a123b'中的'123'

import re
str = 'a123b'
r = r'a(.+?)b'
res = re.findall(r,str)
print(res)

输出结果：

['123']

例2：提取字符串'a123bc456d'中，从a到d之间数字部分

import re
str = 'a123b456d'
r = 'a(\d+)b(\d+)d'
res = re.findall(r,str)
print(res)

输出结果

[('123', '456')]

例3：匹配多行

import re
str = 'a123\nb456\nd789'
r = r'a(\d+).b(\d+).d(\d+)'
res = re.findall(r,str,re.S)  #加上re.S让.匹配包括换行符在内的所有字符
print(res)

输出结果：

[('123', '456', '789')]

{m}：

#m为数字  #重复{}前面字符m次

{m,n}  m,n为数字  #表示最小重复m次，最多重复n次
>>> r = r'a{1,3}'
>>> re.findall(r,'a')
['a']
>>> re.findall(r,'aa')
['aa']
>>> re.findall(r,'aaa')
['aaa']
>>> re.findall(r,'aaaa')
['aaa', 'a']

(?:)：

#无捕获组：将一部分规则最为一个整体对它进行操作
(?#)：

#注释：写入注释

特殊字符类：

. ：  #匹配除 "\n" 之外的任何单个字符，如果要匹配\n，使用[.\n]

\d：  #匹配一个数字字符[0-9]

\D：  #匹配非数字集合[^0-9]

\s：  #匹配任何空白字符，包括空格，制表符，换页符等[\f\n\r\t\v]

\S：  #匹配非空白字符[^\f\n\r\t\v]

\w：  #匹配字母数字下划线任何单字符[A-Za-z0-9_]

\W:  #匹配任何非单词字符[^A-Za-z0-9_]

编译正则表达式：可以实现匹配速度提高

>>> import re
>>> p = re.compile('ab*')   #编译正则表达式
>>> p.findall('abbbb')    #调用
['abbbb']

执行匹配：

（1）match()：#匹配元素在该字符串中开始的位置，如果匹配则返回一个对象，否则返回为空。

>>> r = re.compile(r'cctv',re.I)
>>> r.match('cctv hello')     #匹配对象在起始位置
<_sre.SRE_Match object at 0x00000000032B15E0>
>>> r.match('hello cctv')   #匹配对象不在起始位置
>>>    #返回空

（2）search() ： #扫描整个字符串，并返回第一个匹配的项。

>>> cctv_re = re.compile(r'cctv',re.I)  
>>> cctv_re.search('hello cctv')
<_sre.SRE_Match object at 0x00000000033305E0>
>>> cctv_re.search('cctv hello')
<_sre.SRE_Match object at 0x0000000003330648>
>>> cctv_re.search('hello cctv hello')
<_sre.SRE_Match object at 0x00000000033305E0>   #只要匹配re规则，就会返回第一个匹配的对象，无论元素位置在哪。

（3）findall()：  #返回字符串中所有匹配re的项。

模块级函数：

（1）sub()  #替换

>>> r = r'c..v'
>>> re.sub(r,'python','ccav cctv ccsv cccc')  #r表示前面定义的正则表达式，'python'为替换后的字符串，'ccav cctv...'表示原字符串。
'python python python cccc'   #匹配正则表达式的内容都会被替换 

（2）subn()  #替换多次

>>> s = 'ccav cctv ccsv ssrv svvv'
>>> r = r's..v'
>>> re.subn(r,'aaa',s,1)
('ccav cctv ccsv aaa svvv', 1)  #只有第一个匹配到的项被替换成'aaa'，虽然后svvv也符合re，但匹配次数设置的为是1，所以不替换。

（3）split()  #切割

>>> ip = '192.168.1.1'
>>> re.split(r'\.',ip)
['192', '168', '1', '1']   #以.分割字符串

编译标志：

（1）re.S  #使.匹配包括行在内的所有字符，包括换行等字符

>>> import re
>>> r = r'cctv.net'
>>> re.findall(r,'cctv%net')
['cctv%net']
>>> re.findall(r,'cctvanet')
['cctvanet']
>>> re.findall(r,'cctv\nnet')
[]
>>> re.findall(r,'cctv\nnet',re.S)
['cctv\nnet']

（2）re.I   #使匹配对大小写不敏感

>>> cctv_re = re.compile(r'cctv',re.I)   #忽略大小写
>>> cctv_re.findall('CCTV')
['CCTV']
>>> cctv_re.findall('cctv')
['cctv']
>>> cctv_re.findall('ccTV')
['ccTV']

（3）re.L   #使本地化识别匹配日、法语等

（4）re.M   #多行匹配，影响^和$。当一个字符串有很多行时，匹配时就需要用M参数

>>> s = r'''
hello cctv
cctv hello
hello cctv hello
cctv hi
'''
>>> r = r'^cctv'
>>> re.findall(r,s)
[]
>>> s
'\nhello cctv\ncctv hello\nhello cctv hello\ncctv hi\n'
>>> re.findall(r,s,re.M)
['cctv', 'cctv']

（5）re.X   #该标志通过给予你更灵活的格式，以便你将正则表达式写得更易于理解

>>> tel = r'''
\d{3,4}
-?
\d{8}
'''
>>> re.findall(tel,'010-12345678')
[]
>>> tel
'\n\\d{3,4}\n-?\n\\d{8}\n'
>>> re.findall(tel,'010-12345678',re.X)
['010-12345678']

分组:只提取分组部分内容

例1：匹配邮箱地址，结尾是.com或.cn

>>> email = r'\w+@\w+(\.com|\.cn)'
>>> re.match(email,'aaa@bbbb.com')
<_sre.SRE_Match object at 0x0000000003237558>
>>> re.match(email,'aaa@bbbb.cn')
<_sre.SRE_Match object at 0x00000000032375D0>
>>> re.match(email,'aaa@bbbb.net')
>>> 
>>> re.findall(email,'aaa@bbbb.com')
['.com']   #分组原因，返回分组的内容

例2：如果想提取s字符串中以cctv开头，后面的值

>>>s = '''
hello cctv
cctv hello  
hello cctv hello
cctv hi
'''
>>> r = r'cctv (.+)'
>>> re.findall(r,s)
['hello', 'hello', 'hi']

例3：小爬虫：下载贴吧或空间中所有图片

#!/usr/bin/python
import re
import urllib
def getHTML(url):   #下载整个链接的url
        page = urllib.urlopen(url)
        html = page.read()
        return html
def getImg(html):   #过滤，只下载.jpg的图片
        reg = r'src="(.*?\.jpg)" width'
        imgre = re.compile(reg)  #做编译，为了运行的更快
        imglist = re.findall(imgre,html)
        x = 0
        for imgurl in imglist:
                urllib.urlretrieve(imgurl,'%s.jpg' % x)
　　　　　　　　　 x += 1
html = getHTML('http://tieba.baidu.com/p/4760488708')
getImg(html)

正则表达式常用方式：

整数（包括正整数和负整数）： ^-?\d+$
正整数： ^[0-9]*[1-9][0-9]*$
负整数：^-[0-9]*[1-9][0-9]*$
非正整数（负整数和零）：^((-\d+)|0+))$
非负整数（正整数和零）：^(\d)|(0+)$
正浮点数：^((0-9)+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*))$
负浮点数：^((-((0-9)+\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\.[0-9]+)|([0-9]*[1-9][0-9]*)))$
非负浮点数：^\d+(\.\d+)?$
非正浮点数：^((-\d+\.\d+)?)|(0+(\.0+)?))$

英文字符串： ^[a-zA-Z]+$
英文大写字符串： ^[A-Z]+$
英文小写字符串： ^[a-z]+$
英文加数字字符串： ^[a-zA-Z0-9]+$
英文数字加下划线： ^\w+$
E-mail地址： ^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$
URL： ^[a-zA-Z]+://(\w+(-\w+)*)(\.(\w+(-\w+)*))*(\?\s*)?$ 或： ^http:\/\/[A-Za-z0-9]+\.[A-Za-z0-9]+[\/=\?%\-&_~`@[\]\':+!]*([^<>\"\"])*$
邮政编码： ^[1-9]\d{5}$
中文： ^[\u0391-\uFFE5]+$
电话号码： ^((\d2,3)|(\d{3}\-))?(0\d2,3|0\d{2,3}-)?[1-9]\d{6,7}(\-\d{1,4})?$
手机号码： ^((\d2,3)|(\d{3}\-))?13\d{9}$
匹配首尾空格： (^\s*)|(\s*$)
匹配HTML标记： <(.*)>.*<\/\1>|<(.*) \/>
匹配空行： \n[\s| ]*\r
提取信息中的网络链接：(h|H)(r|R)(e|E)(f|F) *= *('|")?(\w|\\|\/|\.)+('|"| *|>)?
提取信息中的邮件地址：\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*
提取信息中的图片链接：(s|S)(r|R)(c|C) *= *('|")?(\w|\\|\/|\.)+('|"| *|>)?
提取信息中的IP地址：(\d+)\.(\d+)\.(\d+)\.(\d+)
提取信息中的中国手机号码：(86)*0*13\d{9}
提取信息中的中国固定电话号码：(\d3,4|\d{3,4}-|\s)?\d{8}
提取信息中的中国电话号码（包括移动和固定电话）：(\d3,4|\d{3,4}-|\s)?\d{7,14}
提取信息中的中国邮政编码：[1-9]{1}(\d+){5}
提取信息中的浮点数（即小数）：(-?\d*)\.?\d+
提取信息中的任何数字 ：(-?\d*)(\.\d+)?
IP：r"\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}"
电话区号：/^0\d{2,3}$/
腾讯QQ号：^[1-9]*[1-9][0-9]*$
帐号(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$

以上是 Python：正则表达式 的全部内容， 来源链接： utcz.com/z/388089.html